Using healthcare encounter data to identify high-cost users among adults with a history of homelessness: a validation study
Notice bibliographique
Résumé
People experiencing homelessness are often considered frequent healthcare users. Although their service use is not uniform, it can be difficult to identify the highest-cost users without access to comprehensive cost data. This study validated a set of algorithms that apply healthcare encounter data to identify high-cost users among adults with a history of homelessness. Administrative healthcare cost data were compared across common frequent user definitions for emergency department (ED) visits and hospitalizations. Sensitivity, specificity, positive predictive values, and negative predictive values were derived for a set of seven algorithms. Twenty-three percent of the cohort was high-cost users. Optimal algorithms to identify high-cost users were ≥1 hospitalization with 78% sensitivity and 96% specificity and ≥1 hospitalization or ≥6 ED visits with 82% sensitivity and 89% specificity. The positive predictive values indicate that 85% of people with ≥1 hospitalization in a year and 69% of people with ≥1 hospitalization or ≥6 ED visits in a year were correctly classified as high-cost users. This study offers a straightforward method to identify high-cost users among adults with a history of homelessness. The optimal algorithms can be used to inform resource planning and service evaluation to ensure high-needs groups receive appropriate and tailored interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».